
#импортируем библиотеки для работы
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import plotly.express as px 
import plotly.io as pio
!pip install plotly==5.16.1 #обновляем plotly, чтобы он не ругался на некоторые параметры графиков(иначе ругается)
!pip install kaleido
from IPython.display import Image
import json # подключаем модуль для работы с JSON-форматом
from plotly import graph_objects as go #круговая диаграмма, воронка продаж
from folium import Map, Marker # импортируем карту и маркер
from folium import Map, Choropleth # импортируем карту и хороплет
from folium.plugins import MarkerCluster # импортируем кластер
from folium.features import CustomIcon # импортируем собственные иконки
#устанавливаем единый стиль и палитру для графиков
sns.set_palette(['#636EFA', '#EF553B', '#00CC96', '#AB63FA', '#FFA15A', '#19D3F3', '#FF6692', '#B6E880', '#FF97FF', '#FECB52'])
sns.set_style('whitegrid')
#читаем файл с границами районов и сохраняем в переменной
with open('/datasets/admin_level_geomap.geojson', 'r') as f:
    geo_json = json.load(f)

Requirement already satisfied: plotly==5.16.1 in /opt/conda/lib/python3.9/site-packages (5.16.1)
Requirement already satisfied: packaging in /opt/conda/lib/python3.9/site-packages (from plotly==5.16.1) (21.3)
Requirement already satisfied: tenacity>=6.2.0 in /opt/conda/lib/python3.9/site-packages (from plotly==5.16.1) (8.0.1)
Requirement already satisfied: pyparsing!=3.0.5,>=2.0.2 in /opt/conda/lib/python3.9/site-packages (from packaging->plotly==5.16.1) (2.4.7)
Requirement already satisfied: kaleido in /opt/conda/lib/python3.9/site-packages (0.2.1)


#считываем данные из csv-файла
df = pd.read_csv('/datasets/moscow_places.csv')
df.head()


#выводим по нему информацию
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8406 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8406 non-null   object 
 1   category           8406 non-null   object 
 2   address            8406 non-null   object 
 3   district           8406 non-null   object 
 4   hours              7870 non-null   object 
 5   lat                8406 non-null   float64
 6   lng                8406 non-null   float64
 7   rating             8406 non-null   float64
 8   price              3315 non-null   object 
 9   avg_bill           3816 non-null   object 
 10  middle_avg_bill    3149 non-null   float64
 11  middle_coffee_cup  535 non-null    float64
 12  chain              8406 non-null   int64  
 13  seats              4795 non-null   float64
dtypes: float64(6), int64(1), object(7)
memory usage: 919.5+ KB


#выведем статистику по данным типа object
df.describe(include=['object'])


#выведем статистику по числовым значениям
df.describe().T


#выведем долю пропусков
df.isna().mean().sort_values(ascending=False)

middle_coffee_cup    0.936355
middle_avg_bill      0.625387
price                0.605639
avg_bill             0.546039
seats                0.429574
hours                0.063764
name                 0.000000
category             0.000000
address              0.000000
district             0.000000
lat                  0.000000
lng                  0.000000
rating               0.000000
chain                0.000000
dtype: float64


#заменяем значения в новом столбце
df['chain_new'] = 'Несетевое заведение'
df.loc[df['chain'] == 1, 'chain_new'] = 'Сетевое заведение'
#возвращаем значения в изначальный
df['chain'] = df['chain_new']
#удаляем вспомогательный столбец
df = df.drop(columns = ['chain_new'], axis = 1)
#проверяем получившийся датасет
df.head()


#выявим категории заведений с пропусками во времени работы
df[df['hours'].isna()]['category'].unique()

array(['булочная', 'кафе', 'быстрое питание', 'бар,паб', 'пиццерия',
       'ресторан', 'кофейня', 'столовая'], dtype=object)


print('Количество пропусков в столбце "hours":', df['hours'].isna().sum())
df[df['hours'].isna()].head()

Количество пропусков в столбце "hours": 536


df['hours'] = df['hours'].fillna('unknown')
print('Количество пропусков в столбце "hours":', df['hours'].isna().sum())

Количество пропусков в столбце "hours": 0


#выявим категории заведений с пропусками в категориях цен
df[df['price'].isna()]['category'].unique()

array(['кафе', 'кофейня', 'булочная', 'быстрое питание', 'пиццерия',
       'ресторан', 'бар,паб', 'столовая'], dtype=object)


print('Количество пропусков в столбце "price":', df['price'].isna().sum())
df[df['price'].isna()].head(5)

Количество пропусков в столбце "price": 5091


#выявим категории заведений с пропусками в диапазонах средних чеков
df[df['avg_bill'].isna()]['category'].unique()

array(['кафе', 'пиццерия', 'булочная', 'кофейня', 'быстрое питание',
       'ресторан', 'бар,паб', 'столовая'], dtype=object)


print('Количество пропусков в столбце "avg_bill":', df['avg_bill'].isna().sum())
df[df['avg_bill'].isna()].head()

Количество пропусков в столбце "avg_bill": 4590


print('Количество пропусков в столбце "seats":', df['seats'].isna().sum())
#выявим категории заведений с пропусками количества посадочных мест
df[df['seats'].isna()]['category'].unique()

Количество пропусков в столбце "seats": 3611

array(['кафе', 'кофейня', 'пиццерия', 'бар,паб', 'булочная', 'столовая',
       'быстрое питание', 'ресторан'], dtype=object)


#создаём новую переменную с датафреймом, чтобы не повредить основной
data = pd.read_csv('/datasets/moscow_places.csv')
#группируем по категориям без посадочных мест
test = data[data.seats == 0].groupby('category').seats.count().sort_values(ascending=False).reset_index()
#выводим таблицу
test


#создаём круговую диаграмму
fig = go.Figure(data=[go.Pie(labels=test['category'], values=test['seats'])]) 
#задаём описание
fig.update_layout(title='Распределение нулевых посадочных мест по заведениям', width=800, height=600,
                  annotations=[dict(x=1.12, y=1.05, text='Заведения', showarrow=False)])
#сохраняем график как изображение png для github
pio.write_image(fig, 'figure.png', width=800, height=600, scale=1)
#выводим круговую диаграмму
fig.show()


#заменяем пропуски на 0
data['seats'] = data['seats'].fillna(0)
#группируем по категориям заведения без посадочных мест
data = data[data.seats == 0].groupby('category').seats.count().sort_values(ascending=False).reset_index()
#создаём круговую диаграмму
fig = go.Figure(data=[go.Pie(labels=data['category'], values=data['seats'])]) 
#задаём описание
fig.update_layout(title='Распределение нулевых посадочных мест по заведениям с заменой пропусков', width=800, height=600,
                  annotations=[dict(x=1.12, y=1.05, text='Заведения', showarrow=False)])
#выводим круговую диаграмму
fig.show()
#выводим таблицу
data


print('Количество уникальных значений в столбце "name":', df['name'].nunique())
list(df['name'].sort_values().unique()[:10])

Количество уникальных значений в столбце "name": 5614

['#КешбэкКафе',
 '+39 Pizzeria Mozzarella bar',
 '1 Этаж',
 '1-я Креветочная',
 '10 Идеальных Пицц',
 '1001 Ночь',
 '100ловая',
 '100лоффка',
 '13',
 '13 Chef doner']


df.query('name in ["55.709201, 37.392257", "1у", "47","13","2046","495","7/12"]')


#удаляем строку по индексу
df = df.drop(index=5875)
#производим пошаговую замену
df['name'] = (df['name']
              .str.replace('9 Bar Coffe','9 Bar Coffee', regex=True) #добавляем e к названию
              .str.replace('9 Bar Coffeee','9 Bar Coffee', regex=True) #убираем лишнюю e
              .str.replace('Cofe Fest','CofeFest', regex=True) #убираем пробел в названии
              .str.replace('Cafe 13','Cafe13', regex=True) #убираем пробел в названии
              .str.replace(' & ','&', regex=True) #делаем разделитель единообразным
              .str.replace('&',' & ', regex=True) #возвращаем к разделителю пробелы
              .str.replace(' - ',' ', regex=True) #заменим разделитель на пробел
              .str.replace('-',' ', regex=True) #заменим разделитель на пробел
              .str.replace('’',"'", regex=True) #заменяем написание апострофа
              .str.replace('é',"e", regex=True) #удаляем буквенный апостроф
              .str.lower() #приводим все символы к нижнему регистру
              .str.replace('с','c', regex=True) #заменяем русскую раскладку на латиницу
              .str.replace('о','o', regex=True) #заменяем русскую раскладку на латиницу
              .str.replace('а','a', regex=True) #заменяем русскую раскладку на латиницу
              .str.replace('е','e', regex=True) #заменяем русскую раскладку на латиницу
              .str.title()) #приводим к единому написанию каждого слова с заглавной буквы
#проверяем результат
print('Количество уникальных значений в столбце "name":', df['name'].nunique())
list(df['name'].sort_values().unique()[:10])

Количество уникальных значений в столбце "name": 5478

['#Кeшбэккaфe',
 '+39 Pizzeria Mozzarella Bar',
 '1 Этaж',
 '1 Я Крeвeтoчнaя',
 '10 Идeaльных Пицц',
 '1001 Нoчь',
 '100Лoвaя',
 '100Лoффкa',
 '13',
 '13 Chef Doner']


print('Количество уникальных значений в столбце "address":', df['address'].nunique())
list(df['address'].unique()[:10])

Количество уникальных значений в столбце "address": 5752

['Москва, улица Дыбенко, 7/1',
 'Москва, улица Дыбенко, 36, корп. 1',
 'Москва, Клязьминская улица, 15',
 'Москва, улица Маршала Федоренко, 12',
 'Москва, Правобережная улица, 1Б',
 'Москва, Ижорская улица, вл8Б',
 'Москва, Клязьминская улица, 9, стр. 3',
 'Москва, Дмитровское шоссе, 107, корп. 4',
 'Москва, Ангарская улица, 39',
 'Москва, Левобережная улица, 12']


for value in df['address']:
    if 'административный округ' in value:
        df = df[df.address != value]
    elif 'Главный ботанический сад имени Н.В. Цицина' in value:
        df = df[df.address != value]
    elif 'Этнографическая деревня Бибирево' in value:
        df = df[df.address != value]
    elif 'парк ' in value:
        df = df[df.address != value]
    elif 'ландшафтный заказник' in value:
        df = df[df.address != value]
print('Количество уникальных значений в столбце "address":', df['address'].nunique())
df.info()

Количество уникальных значений в столбце "address": 5665
<class 'pandas.core.frame.DataFrame'>
Int64Index: 8284 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8284 non-null   object 
 1   category           8284 non-null   object 
 2   address            8284 non-null   object 
 3   district           8284 non-null   object 
 4   hours              8284 non-null   object 
 5   lat                8284 non-null   float64
 6   lng                8284 non-null   float64
 7   rating             8284 non-null   float64
 8   price              3301 non-null   object 
 9   avg_bill           3799 non-null   object 
 10  middle_avg_bill    3134 non-null   float64
 11  middle_coffee_cup  533 non-null    float64
 12  chain              8284 non-null   object 
 13  seats              4795 non-null   float64
dtypes: float64(6), object(8)
memory usage: 970.8+ KB


#выведем дубликаты
df[df[['name','address']].duplicated(keep=False)]


#удаляем строки по индексу
df = df.drop(index=[1430, 2211, 3109, 4780])
#проверяем результат
print('Количество дубликатов по столбцам "address" и "name":', df[['name','address']].duplicated().sum())
df.info()

Количество дубликатов по столбцам "address" и "name": 0
<class 'pandas.core.frame.DataFrame'>
Int64Index: 8280 entries, 0 to 8405
Data columns (total 14 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8280 non-null   object 
 1   category           8280 non-null   object 
 2   address            8280 non-null   object 
 3   district           8280 non-null   object 
 4   hours              8280 non-null   object 
 5   lat                8280 non-null   float64
 6   lng                8280 non-null   float64
 7   rating             8280 non-null   float64
 8   price              3301 non-null   object 
 9   avg_bill           3799 non-null   object 
 10  middle_avg_bill    3134 non-null   float64
 11  middle_coffee_cup  533 non-null    float64
 12  chain              8280 non-null   object 
 13  seats              4791 non-null   float64
dtypes: float64(6), object(8)
memory usage: 970.3+ KB


print('Количество уникальных значений в столбце "hours":', df['hours'].nunique())
list(df['hours'].unique()[:10])

Количество уникальных значений в столбце "hours": 1292

['ежедневно, 10:00–22:00',
 'пн-чт 11:00–02:00; пт,сб 11:00–05:00; вс 11:00–02:00',
 'ежедневно, 09:00–22:00',
 'ежедневно, 10:00–23:00',
 'пн 15:00–04:00; вт-вс 15:00–05:00',
 'пн-чт 10:00–22:00; пт,сб 10:00–23:00; вс 10:00–22:00',
 'ежедневно, 12:00–00:00',
 'ежедневно, круглосуточно',
 'ежедневно, 10:00–21:00',
 'вт-сб 09:00–18:00']


print('Количество уникальных значений в столбце "price":', df['price'].nunique())
list(df['price'].unique())

Количество уникальных значений в столбце "price": 4

[nan, 'выше среднего', 'средние', 'высокие', 'низкие']


print('Количество уникальных значений в столбце "avg_bill":', df['avg_bill'].nunique())
list(df['avg_bill'].unique()[:10])

Количество уникальных значений в столбце "avg_bill": 896

[nan,
 'Средний счёт:1500–1600 ₽',
 'Средний счёт:от 1000 ₽',
 'Цена чашки капучино:155–185 ₽',
 'Средний счёт:400–600 ₽',
 'Средний счёт:199 ₽',
 'Средний счёт:200–300 ₽',
 'Средний счёт:от 500 ₽',
 'Средний счёт:1000–1200 ₽',
 'Цена бокала пива:250–350 ₽']


print('Количество уникальных значений в столбце "district":', df['district'].nunique())
list(df['district'].unique())

Количество уникальных значений в столбце "district": 9

['Северный административный округ',
 'Северо-Восточный административный округ',
 'Северо-Западный административный округ',
 'Западный административный округ',
 'Центральный административный округ',
 'Восточный административный округ',
 'Юго-Восточный административный округ',
 'Южный административный округ',
 'Юго-Западный административный округ']


#удалим префиксы в новом столбце
df['area'] = df['district'].replace([' административный округ'], '', regex=True)
list(df['area'].unique())

['Северный',
 'Северо-Восточный',
 'Северо-Западный',
 'Западный',
 'Центральный',
 'Восточный',
 'Юго-Восточный',
 'Южный',
 'Юго-Западный']


#устанавливаем размер
plt.figure(figsize=(15, 7))
#строим диаграмму размаха
sns.boxplot(x='category', y='seats', data=df)
#присваиваем название графика и описание по осям
plt.title('Количество посадочных мест в разных категориях заведений', fontsize=18)
plt.xlabel('Категория заведений общественного питания', fontsize=14)
plt.ylabel('Количество подсадочных мест', fontsize=14)
plt.tight_layout()
plt.show()


#устанавливаем размер
plt.figure(figsize=(15, 7))
#строим диаграмму размаха
sns.boxplot(x='category', y='seats', data=df.query('seats < 700'))
#присваиваем название графика и описание по осям
plt.title('Количество посадочных мест в разных категориях заведений', fontsize=18)
plt.xlabel('Категория заведений общественного питания', fontsize=14)
plt.ylabel('Количество подсадочных мест', fontsize=14)
plt.tight_layout()
plt.show()


#обновляем индексацию датасета, создавая новый столбец с уникальными значениями
df = df.reset_index() 
#заменяем пропуски в новом столбце на 0 
df['new_seats'] = df['seats'].fillna(0)
#создаём сводные таблицы по разным категориям
debridment_1 = df.query(
    'category in ["кафе","ресторан","кофейня","бар,паб"] and new_seats > 550').pivot_table(index='index')
debridment_2 = df.query(
    'category in ["быстрое питание","булочная","столовая","пиццерия"] and new_seats > 400').pivot_table(index='index')
#удаляем аномальные выбросы с помощью индексов
df = df.query('index not in @debridment_1.index')
df = df.query('index not in @debridment_2.index')
#удаляем вспомогательные столбцы
df = df.drop(columns = ['index', 'new_seats'],axis = 1)
#обновляем индексы
df = df.reset_index(drop=True) 
#проверяем оставшийся датасет
df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8217 entries, 0 to 8216
Data columns (total 15 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8217 non-null   object 
 1   category           8217 non-null   object 
 2   address            8217 non-null   object 
 3   district           8217 non-null   object 
 4   hours              8217 non-null   object 
 5   lat                8217 non-null   float64
 6   lng                8217 non-null   float64
 7   rating             8217 non-null   float64
 8   price              3278 non-null   object 
 9   avg_bill           3771 non-null   object 
 10  middle_avg_bill    3112 non-null   float64
 11  middle_coffee_cup  527 non-null    float64
 12  chain              8217 non-null   object 
 13  seats              4728 non-null   float64
 14  area               8217 non-null   object 
dtypes: float64(6), object(9)
memory usage: 963.1+ KB


#создаём функцию для выделения улицы
def street(address, sep=', '):
    if 'посёлок' in address:
        street = address.split(sep=sep)
        return street[2]
    else:
        street = address.split(sep=sep)
        return street[1]
#создаём столбец street
df['street'] = df['address'].apply(street)
#проверяем уникальные значения
print('Количество уникальных значений в столбце "street":', df['street'].nunique())
list(df['street'].unique()[:10])

Количество уникальных значений в столбце "street": 1408

['улица Дыбенко',
 'Клязьминская улица',
 'улица Маршала Федоренко',
 'Правобережная улица',
 'Ижорская улица',
 'Дмитровское шоссе',
 'Ангарская улица',
 'Левобережная улица',
 'МКАД',
 'Базовская улица']


#создаём функцию для отделения круглосуточных заведений
def round_the_clock(hours):
    if 'ежедневно, круглосуточно' in hours:
        return True
    else:
        return False 
#создаём столбец street
df['is_24/7'] = df['hours'].apply(round_the_clock)
df.head()


df.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 8217 entries, 0 to 8216
Data columns (total 17 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               8217 non-null   object 
 1   category           8217 non-null   object 
 2   address            8217 non-null   object 
 3   district           8217 non-null   object 
 4   hours              8217 non-null   object 
 5   lat                8217 non-null   float64
 6   lng                8217 non-null   float64
 7   rating             8217 non-null   float64
 8   price              3278 non-null   object 
 9   avg_bill           3771 non-null   object 
 10  middle_avg_bill    3112 non-null   float64
 11  middle_coffee_cup  527 non-null    float64
 12  chain              8217 non-null   object 
 13  seats              4728 non-null   float64
 14  area               8217 non-null   object 
 15  street             8217 non-null   object 
 16  is_24/7            8217 non-null   bool   
dtypes: bool(1), float64(6), object(10)
memory usage: 1.0+ MB


#moscow_lat - широта центра москвы, moscow_lng - долгота центра москвы
moscow_lat, moscow_lng = 55.751244, 37.618423
#создаём карту москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
#создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(geo_data=geo_json,data=df,
           columns=['district','rating'], key_on='feature.name',
           fill_color='Greens', fill_opacity=0.01).add_to(m)
#создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m)
def create_clusters(row):
    icon_url = 'https://img.icons8.com/?size=512&id=30622&format=png'  
    icon = CustomIcon(icon_url, icon_size=(30, 30))
    Marker(
        [row['lat'], row['lng']],
        popup=f"Название: {row['name']}; Категория: {row['category']}; Время работы: {row['hours']}; \
        Рейтинг: {row['rating']}; Количество посадочных мест: {row['seats']}",
        icon=icon,
    ).add_to(marker_cluster)
#применяем функцию для создания кластеров к каждой строке датафрейма
df.apply(create_clusters, axis=1)
#выводим карту  
m


#устанавливаем размер графика
plt.figure(figsize=(15, 7)) 
#создаём столбцатый график
sns.barplot(x='category', y='name', data=(df.groupby('category').name.count().sort_values(ascending=False).reset_index()))
#присваиваем название графика и описание по осям
plt.title('Количество заведений по категориям', fontsize=18)
plt.xlabel('Категории заведений общественного питания', fontsize=14) 
plt.ylabel('Количество заведений', fontsize=14)
plt.tight_layout()
plt.show() 
#выводим таблицу
df.pivot_table(index='category', values='name', aggfunc='count').sort_values(by='name', ascending=False).reset_index()


#группируем по категориям
group_category = df.groupby('category').name.count().sort_values(ascending=False).reset_index()
#создаём круговую диаграмму
fig = go.Figure(data=[go.Pie(labels=group_category['category'], 
                             values=group_category['name'])])
#задаём описание
fig.update_layout(title='Распределение заведений по категориям', title_x=0.4, margin=dict(l=30, r=0, t=30, b=0), 
                  width=700, height=600, annotations=[dict(x=1.32, y=1.05, text='Категории заведений', showarrow=False)])    
#выводим диаграмму
fig.show()


#создаём сводную таблицу с общим количеством
area_total = df.pivot_table(index='area', values='address', aggfunc='count')
#создаём сводную таблицу с разделением на категории
df_area = df.pivot_table(index='area', columns='category', values='address', aggfunc='count')
df_area['Всего'] = area_total['address'] #добавляем столбец
#создаём гистограмму длинного формата
fig = px.bar(df_area.sort_values(by='Всего').reset_index(), width = 980, height = 450, template='plotly_white',
             y='area', x=['кафе','ресторан','кофейня','бар,паб','пиццерия','быстрое питание','столовая','булочная'],
             title='Распределение заведений разных категорий по районам', 
             labels={'area':'Административные округи Москвы','value':'Количество объектов','variable':'Категории'})
fig.update_layout(title_x=0.5, margin=dict(l=1, r=1, t=30, b=1)) #меняем расположение шапки
#выводим график
fig.show()
#выводим таблицу
df_area.index.names = ['Административные округи Москвы'] #переименовываем индекс
df_area.sort_values(by='Всего', ascending=False)


#создаём сводную таблицу
pivot_seats_category = (round(df.pivot_table(index='category', values='seats', aggfunc=['count','median','mean']))
                        .sort_values(by=('count','seats'), ascending=False))
pivot_seats_category.columns = ['Объектов','Медиана','В среднем'] #переименовываем столбцы
pivot_seats_category.index.names = ['Категории'] #переименовываем индекс
#выводим сводную
pivot_seats_category


#создаём тепловую карту
fig = px.density_heatmap(df, x='seats', y='category', 
                         title='Распределение посадочных мест по категориям заведений общественного питания',
                         color_continuous_scale='Portland', nbinsx=100, height=420, width=980)
#описание по осям
fig.update_xaxes(title_text='Количество посадочных мест') 
fig.update_yaxes(title_text='Категории заведений')
#настройка легенды
fig.update_layout(coloraxis_colorbar=dict(title='Частота', ticksuffix=' объектов',
                                          thicknessmode='pixels', thickness=20, lenmode='pixels', len=377,
                                          yanchor='top', y=1.05, ticks='outside', dtick=20),
                  title_x=0.5, margin=dict(l=1, r=1, t=30, b=1))
#выводим график
fig.show()


#создаём линейный график по медианным значениям
fig = px.line(x=pivot_seats_category.reset_index()['Категории'], y=pivot_seats_category.reset_index()['Медиана'], 
              color=px.Constant('медианы'), markers=True, color_discrete_sequence=['#EF553B'], template='plotly_white',  
              title='Соотношение среднего и медианного количества посадочных мест по категориям',
              labels=dict(x='Категории заведений общественного питания', y='Количество посадочных мест', color='Значение'),
              height=450, width=980)
#добавляем к нему столбчатый график по средним значениям
fig.add_bar(x=pivot_seats_category.reset_index()['Категории'], y=pivot_seats_category.reset_index()['В среднем'], 
            name='в среднем', width=0.7, marker_color='#636EFA')
fig.update_layout(title_x=0.5, margin=dict(l=1, r=1, t=30, b=1)) #меняем расположение шапки
#выводим график
fig.show()


plt.figure(figsize=(15, 7)) #устанавливаем размер
#создаём график диаграммы размаха
sns.boxplot(x='category', y='rating', data=df)
#присваиваем название графика и описание по осям
plt.title('Рейтинги заведений в разных категориях общественного питания', fontsize=18)
plt.xlabel('Категории заведений общественного питания', fontsize=14)
plt.ylabel('Рейтинг', fontsize=14)
plt.tight_layout()
plt.show()


plt.figure(figsize=(15, 7)) #устанавливаем размер
#создаём столбчатый график
sns.barplot(y='category', x='rating', data=(df.groupby('category').rating.mean().sort_values(ascending=False).reset_index()))
#присваиваем название графика и описание по осям
plt.title('Средние рейтинги заведений по категориям', fontsize=18)
plt.ylabel('Категория заведений общественного питания', fontsize=14)
plt.xlabel('Средний рейтинг', fontsize=14)
plt.tight_layout()
plt.show()
#выводим сводную таблицу
round(df.groupby('category').rating.agg(['mean','median','count']).sort_values(by=['mean'], ascending=False),1)


#рассчитываем средний рейтинг по районам
rating_df = df.groupby('district').rating.mean().reset_index()
#создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
#создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=geo_json,
    data=rating_df,
    columns=['district','rating'],
    key_on='feature.name',
    fill_color='YlOrBr',
    fill_opacity=0.6,
    legend_name='Средний рейтинг заведений',
).add_to(m)
#выводим карту
m


#создаём столбчатый график
fig = px.histogram(df.query('hours != "unknown"'), x='category', color='is_24/7', barmode='group',
                   height=400, template='plotly_white', title='Соотношение заведений разных категорий по графику работы 24/7',
                   labels={'category':'Категории заведений общественного питания','is_24/7':'Работают 24/7'})
#указываем описание по оси y
fig.update_yaxes(title_text='Количество объектов') 
#изменяем положение легенды
fig.update_layout(legend=dict(yanchor="top", y=1, xanchor="left", x=0.87), title_x=0.5, margin=dict(l=1, r=1, t=30, b=1))
#выводим график
fig.show()

#находим заведения без указанного времени работы по категориям
working_hours_unknown = df.query('hours == "unknown"').pivot_table(index='category', values='address', aggfunc='count')
#создаём сводную таблицу с временем работы по категориям
working_hours = df.pivot_table(index='category', columns='is_24/7', values='address', aggfunc='count')
working_hours.columns = ['Не работают 24/7','Работают 24/7'] #переименовываем столбцы
working_hours.index.names = ['Категории'] #переименовываем индекс
#добавляем объекты без указанного времени работы
working_hours['Пропущено'] = working_hours_unknown['address'] 
#высчитываем долю заведений, работающих круглосуточно
working_hours['Доля 24/7'] = round((working_hours['Работают 24/7'] * 100 / 
                                    (working_hours['Работают 24/7'] + 
                                     working_hours['Не работают 24/7'] - working_hours['Пропущено'])),1) 
#считаем общее количество объектов в датасете
working_hours['Всего объектов'] = working_hours['Работают 24/7'] + working_hours['Не работают 24/7']
#выводим таблицу
working_hours.sort_values(by='Доля 24/7', ascending=False)


#создаём солнечный график по срезу объектов с известным графиков работы
fig = px.sunburst((df.query('hours != "unknown"')
                   .pivot_table(index=['area','is_24/7','category'], values='address', aggfunc='count')
                   .reset_index()), 
                  path=['is_24/7','area','category'], values='address')
fig.update_layout(title='Распределение заведений с разным графиком работы в категориях по районам', width=800, height=550,
                  title_x=0.5, margin=dict(l=30, r=1, t=30, b=1))
#выводим график
fig.show()


#группируем датасет по наличию сети
group_chain = df.groupby('chain').name.count().sort_values(ascending=False).reset_index()
#создаём круговую диаграмму
fig = go.Figure(data=[go.Pie(labels=group_chain['chain'], 
                             values=group_chain['name'])]) 
#задаём описание
fig.update_layout(title='Соотношение сетевых и несетевых заведений', width=700, height=550, 
                  title_x=0.38, margin=dict(l=30, r=1, t=30, b=1),
                  annotations=[dict(x=1.24, y=1.05, text='Типы заведений', showarrow=False)])
#выводим диаграмму
fig.show()


plt.figure(figsize=(15, 7)) #устанавливаем размер
#строим график
sns.barplot(data=(df.pivot_table(index=['chain','category'], values='name', aggfunc='count').reset_index()), 
            x='category', y='name', hue='chain')
#присваиваем название графика и описание по осям
plt.xlabel('Категории заведений общественного питания', fontsize=14)
plt.ylabel('Количество объектов', fontsize=14)
plt.title('Соотношение сетевых и несетевых заведений по категориям', fontsize=18)
plt.legend(fontsize=10, title='Тип заведений')
plt.tight_layout()
plt.show() 

#создаём сводную таблицу
category_chain = df.pivot_table(index='category', columns='chain', values='name', aggfunc='count')
#добавляем столбец с долей сетевых заведений
category_chain['Доля сетей'] = round((category_chain['Сетевое заведение'] * 100 / 
                                                  (category_chain['Несетевое заведение'] + 
                                                   category_chain['Сетевое заведение'])),1) 
category_chain.index.names = ['Категории'] #переименовываем индекс
#сортируем по долям сетевых заведений
category_chain.sort_values('Доля сетей', ascending=False)


#создаём тепловую карту
fig = px.density_heatmap(df.query('chain == "Сетевое заведение"'), x='seats', y='category', 
                         title='Распределение посадочных мест по категориям среди сетевых заведений',
                         color_continuous_scale='Portland', nbinsx=100, height=440, width=970)
#описание по осям
fig.update_xaxes(title_text='Количество посадочных мест') 
fig.update_yaxes(title_text='Категории сетевых заведений')
#настройка легенды
fig.update_layout(coloraxis_colorbar=dict(title='Частота', ticksuffix=' объектов', 
                                          thicknessmode='pixels', thickness=20, lenmode='pixels', len=410,
                                          yanchor='top', y=1.1, ticks='outside', dtick=10),
                  title_x=0.5, margin=dict(l=0, r=0, t=30, b=0))
#выводим теплокарту
fig.show()


#выделяем топ-15 сетей
top_15 = (df.query('chain == "Сетевое заведение"')
          .pivot_table(index='name', values='address', aggfunc='count')
          .sort_values(by='address', ascending=False)
          .head(15))
#разделяем сети по категориям с подсчётом количества заведений в каждой
top_15_category = (df.query('name in @top_15.index')
                   .pivot_table(index=['name','category'], values='address', aggfunc='count'))
top_15_category.columns = ['Кол-во объектов'] #переименовываем столбец
#считаем заведения с посадочными местами и их медианное значение
top_15_seats = (df.query('name in @top_15.index')
                .pivot_table(index=['name','category'], values='seats', aggfunc=['count','median']))
top_15_seats.columns = ['Указано посад.мест', 'Медиан.посад.мест'] #переименовываем столбцы
#считаем средний рейтинг в каждой категории сети
top_15_rating = round((df.query('name in @top_15.index')
                       .pivot_table(index=['name','category'], values='rating', aggfunc='mean')),1)
#объединяем сводные таблицы
top_15_category['Указано посад.мест'] = top_15_seats['Указано посад.мест']
top_15_category['Медиан.посад.мест'] = top_15_seats['Медиан.посад.мест']
top_15_category['Ср.рейтинг'] = top_15_rating['rating']
top_15_category


#создаём сводную таблицу с общим количеством заведений 
chain_15_total = (df.query('name in @top_15.index').pivot_table(index='name', values='address',aggfunc='count'))
#создаём сводную с разбивкой по категориям
chain_15 = (df.query('name in @top_15.index').pivot_table(index='name', columns='category',values='address',aggfunc='count'))
chain_15['Всего'] = chain_15_total['address'] #добавляем столбец
#создаём гистограмму длинного формата
fig = px.bar(chain_15.sort_values(by='Всего').reset_index(), 
             width=980, height=500, template='plotly_white',
             y='name', x=['кафе','ресторан','кофейня','бар,паб','пиццерия','быстрое питание','столовая','булочная'],
             title='Топ-15 сетевых заведений с распределением по категориям', 
             labels={'name':'Наименования сети','value':'Количество объектов','variable':'Категории'})
#изменяем положение легенды
fig.update_layout(legend=dict(yanchor='bottom',y=0,xanchor='right',x=1),title_x=0.5,margin=dict(l=1, r=1, t=30, b=1))
#выводим график
fig.show()


#создаём таблицу с общим количеством по срезу популярных сетей
chain_15_district_total = df.query('name in @top_15.index').pivot_table(index='area', values='address', aggfunc='count')
#устанавливаем размер графика
plt.figure(figsize=(15, 7)) 
#создаём тепловую карту библиотекой seaborn
sns.heatmap((df.query('name in @top_15.index')
             .pivot_table(index='area', columns='category', values='address', aggfunc='count')),
            xticklabels=list(df['category'].sort_values().unique()), yticklabels=list(df['area'].sort_values().unique()),
            annot=True, cmap='Spectral')
#присваиваем название графика и описание по осям
plt.title('Распределение сетевых заведений по административным районам и категориям', fontsize=18)
plt.xlabel('Категория заведений общественного питания', fontsize=14) 
plt.ylabel('Административные округа Москвы', fontsize=14)
plt.tight_layout()
plt.show()


#создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
#создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(geo_data=geo_json,data=df,
           columns=['district','rating'], key_on='feature.name',
           fill_color='Greens', fill_opacity=0.01).add_to(m)
#создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m)
#применяем функцию для создания кластеров 
df.query('name in @top_15.index').apply(create_clusters, axis=1)
#выводим карту
m


#создаём сводную с индексами 15 самых популярных улиц и общим количеством заведений
street_15 = (df.pivot_table(index='street', values='address', aggfunc='count')
             .sort_values(by='address', ascending=False).head(15))
#создаём сводную по улицам топ-15 с разделением на категории
street_pivot = (df.query('street in @street_15.index')
            .pivot_table(index='street', columns='category',values='address', aggfunc='count'))
street_pivot['Всего'] = street_15['address'] #добавляем столбец с общим
#создаём гистограмму длинного формата
fig = px.bar(street_pivot.sort_values(by='Всего').reset_index(), width=980, height=600, template='plotly_white',
             y='street', x=['кафе','ресторан','кофейня','бар,паб','пиццерия','быстрое питание','столовая','булочная'],
             title='Распределение заведений разных категорий по улицам с наибольшим количеством объектов', 
             labels={'street':'Улицы с наибольшим количеством заведений',
                     'value':'Количество объектов','variable':'Категории'})
fig.update_layout(title_x=0.5, margin=dict(l=1, r=1, t=30, b=1)) #меняем расположение шапки
#выводим график
fig.show()
street_pivot.index.names = ['Топ-15 улиц'] #переименовываем индекс
#выводим таблицу
street_pivot.sort_values(by='Всего', ascending=False)


#создаём переменную с общим количеством заведений по округам
area_street_total = df.query('street in @street_15.index').pivot_table(index='area', values='address', aggfunc='count')
area_street_total.columns = ['Объектов на топ-15 улиц'] #переименовываем столбец
area_street_total['Всего'] = df_area['Всего'] #добавляем общее количество заведений до среза
#считаем долю
area_street_total['Доля'] = round((area_street_total['Объектов на топ-15 улиц'] * 100 / area_street_total['Всего']),1)  
area_street_total.index.names = ['Административные округа Москвы'] #переименовываем индекс
#создаём линейный график с заведениями на топ-15 улиц
fig = px.line(y=area_street_total.reset_index()['Административные округа Москвы'], 
              x=area_street_total.reset_index()['Объектов на топ-15 улиц'], 
              color=px.Constant('Объекты на топ-15 улиц'), 
              markers=True, color_discrete_sequence=['#EF553B'], template='plotly_white',  
              title='Соотношение всех объектов и заведений на улицах из топ-15',
              labels=dict(y='Административные округа Москвы', x='Количество объектов', color=''), height=470, width=980)
#добавляем к нему столбчатый график с общим количеством заведений по районам
fig.add_bar(y=area_street_total.reset_index()['Административные округа Москвы'], x=area_street_total.reset_index()['Всего'], 
            orientation ='h', name='Всего заведений', width=0.8, marker_color='#636EFA')
#изменяем положение легенды
fig.update_layout(legend=dict(yanchor="top", y=1, xanchor="left", x=0.7), title_x=0.5, margin=dict(l=1, r=1, t=30, b=1))
#выводим график
fig.show()
#выводим сводную с сортировкой
area_street_total.sort_values(by='Объектов на топ-15 улиц', ascending=False)


#создаём карту москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
#создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(geo_data=geo_json,data=df,
           columns=['district','rating'], key_on='feature.name',
           fill_color='Greens', fill_opacity=0.01).add_to(m)
#создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m)
#применяем функцию для создания кластеров 
df.query('street in @street_15.index').apply(create_clusters, axis=1)
#выводим карту
m


#находим улицы с одним заведением
min_places = df.pivot_table(index='street', values='address', aggfunc='count').sort_values(by='address').query('address == 1')
#выводим размеры таблицы по срезу с 1 заведением на улице
df.query('street in @min_places.index').shape

(438, 17)


#создаём переменную с общим количеством заведений по округам
min_street_total = df.query('street in @min_places.index').pivot_table(index='area', values='address', aggfunc='count')
#устанавливаем размер графика
plt.figure(figsize=(14, 7))
#создаём тепловую карту библиотекой seaborn
sns.heatmap((df.query('street in @min_places.index')
             .pivot_table(index='area',columns='category', values='address', aggfunc='count')),
            xticklabels=list(df['category'].sort_values().unique()), yticklabels=list(df['area'].sort_values().unique()),
            annot=True, cmap='Spectral')
#присваиваем название графика и описание по осям
plt.title('Распределение единственных на улице заведений \nпо административным районам и категориям', fontsize=18)
plt.xlabel('Категория заведений общественного питания', fontsize=14) 
plt.ylabel('Административные округа Москвы', fontsize=14)
plt.tight_layout()
plt.show()


#создаём тепловую карту библиотекой plotly
fig = px.density_heatmap(df.query('street in @min_places.index'), 
                         x='category', y='area', z='rating', histfunc='avg', text_auto='.2f',
                         title='Средний рейтинг заведений по категориям и районам',
                         color_continuous_scale='Portland', height=450, width=980)
#описание по осям
fig.update_xaxes(title_text='Категории заведений общественного питания') 
fig.update_yaxes(title_text='Административные округа Москвы')
#настройка легенды
fig.update_layout(coloraxis_colorbar=dict(title='Средний рейтинг', ticksuffix='',
                                          thicknessmode='pixels', thickness=20, lenmode='pixels', len=367,
                                          yanchor='top', y=1.1, ticks='outside', dtick=0.1), 
                  title_x=0.5, margin=dict(l=1, r=1, t=30, b=1))
#выводим теплокарту
fig.show()


#создаём карту москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
#создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(geo_data=geo_json,data=df,
           columns=['district','rating'], key_on='feature.name',
           fill_color='Greens', fill_opacity=0.01).add_to(m)
#создаём пустой кластер, добавляем его на карту
marker_cluster = MarkerCluster().add_to(m)
#применяем функцию для создания кластеров 
df.query('street in @min_places.index').apply(create_clusters, axis=1)
#выводим карту
m


#создаём сводную таблицу с сортировкой по количеству объектов с указанной средней ценой
df_middle_avg_bill = round(df.groupby('area').middle_avg_bill.agg(['mean', 'median','count'])
                           .sort_values(by=['median']),1)
df_middle_avg_bill.columns = ['В среднем','Медиана','Объекты с ценой'] #переименовываем столбцы
df_middle_avg_bill['Всего объектов'] = df_area['Всего'] #добавляем общее количество заведений
df_middle_avg_bill['Доля'] = round((df_middle_avg_bill['Объекты с ценой'] * 100 / df_middle_avg_bill['Всего объектов']),1)
df_middle_avg_bill.index.names = ['Административные округа Москвы'] #переименовываем индекс
#создаём линейный график с заведениями на топ-15 улиц
fig = px.line(y=df_middle_avg_bill.reset_index()['Административные округа Москвы'], 
              x=df_middle_avg_bill.reset_index()['Медиана'], 
              color=px.Constant('медианы'), markers=True, color_discrete_sequence=['#EF553B'], template='plotly_white',  
              title='Соотношение медианного и среднего значений среднего чека по районам Москвы',
              labels=dict(y='Административные округа Москвы', x='Средний чек', color='Значения'), width=980, height=450)
#добавляем к нему столбчатый график с общим количеством заведений по районам
fig.add_bar(y=df_middle_avg_bill.reset_index()['Административные округа Москвы'], 
            x=df_middle_avg_bill.reset_index()['В среднем'], 
            orientation ='h', name='в среднем', width=0.8, marker_color='#636EFA')
fig.update_layout(title_x=0.5, margin=dict(l=1, r=1, t=30, b=1)) #меняем расположение шапки
#выводим график
fig.show()
#выводим сводную таблицу
df_middle_avg_bill.sort_values(by=['Медиана'], ascending=False)


#рассчитываем средний рейтинг по районам
median_middle_avg_bill = df.groupby('district').middle_avg_bill.median().reset_index()
#создаём карту Москвы
m = Map(location=[moscow_lat, moscow_lng], zoom_start=10)
#создаём хороплет с помощью конструктора Choropleth и добавляем его на карту
Choropleth(
    geo_data=geo_json,
    data=median_middle_avg_bill,
    columns=['district','middle_avg_bill'],
    key_on='feature.name',
    fill_color='YlOrBr',
    fill_opacity=0.6,
    legend_name='Медиана среднего чека',
).add_to(m)
#выводим карту
m


coffeehouse = (df.query('category == "кофейня"')
               [['name','lat','lng','district','area','street','rating','price',
                 'middle_coffee_cup','seats','chain','is_24/7','hours']])
coffeehouse.info()

<class 'pandas.core.frame.DataFrame'>
Int64Index: 1372 entries, 3 to 8211
Data columns (total 13 columns):
 #   Column             Non-Null Count  Dtype  
---  ------             --------------  -----  
 0   name               1372 non-null   object 
 1   lat                1372 non-null   float64
 2   lng                1372 non-null   float64
 3   district           1372 non-null   object 
 4   area               1372 non-null   object 
 5   street             1372 non-null   object 
 6   rating             1372 non-null   float64
 7   price              469 non-null    object 
 8   middle_coffee_cup  513 non-null    float64
 9   seats              739 non-null    float64
 10  chain              1372 non-null   object 
 11  is_24/7            1372 non-null   bool   
 12  hours              1372 non-null   object 
dtypes: bool(1), float64(5), object(7)
memory usage: 140.7+ KB


#строим столбчатую диаграмму 
fig = px.bar((coffeehouse.pivot_table(index='street', values='name', aggfunc='count')
              .sort_values(by='name', ascending=False).reset_index()), 
             x='street', y='name', width=980, height=450, template='plotly_white',
             title='Распределение кофеен по улицам', labels={'name':'Количество объектов','street':''})
fig.update_xaxes(tickangle=35)
fig.update_layout(title_x=0.5, margin=dict(l=1, r=1, t=25, b=1)) #меняем расположение шапки
#выводим график
fig.show()


#создаём сводную таблицу с индексами 15 самых популярных улиц и количеством кофеен на них
coffeehouse_street_15 = (coffeehouse.pivot_table(index='street', values='name', aggfunc='count')
             .sort_values(by='name', ascending=False).query('name > 6'))
#создаём сводную с индексами улиц, на которых располагается 1 кофейня
coffeehouse_street_1 = (coffeehouse.pivot_table(index='street', values='name', aggfunc='count').query('name == 1'))
#создаём функцию для разделения кофеен по уровню конкуренции
def competing(row):
    if row['street'] in coffeehouse_street_15.index:
        return 'высокая'
    elif row['street'] in coffeehouse_street_1.index:
        return 'низкая'
    else:
        return 'средняя'
#применяем функцию    
coffeehouse['competing'] = coffeehouse.apply(competing, axis = 1)
#проверяем результат
coffeehouse.head()


#создаём сводную таблицу с разделением на отношению к сети
ch_area = coffeehouse.pivot_table(index='area', columns='chain', values='name', aggfunc='count')
ch_area.columns = ['Несетевые','Сетевые'] #переименовываем столбцы
ch_area['Всего'] = ch_area['Несетевые'] + ch_area['Сетевые'] #считаем общее количество
ch_area['Доля несетевых'] = round((ch_area['Несетевые'] * 100 / ch_area['Всего']),1) #высчитываем долю несетевых
ch_area.index.names = ['Административные округа Москвы'] #переименовываем индекс
#создаём гистограмму длинного формата
fig = px.bar(ch_area.sort_values(by='Всего').reset_index(), x=['Несетевые','Сетевые'], y='Административные округа Москвы',
             width=980, height=450, template='plotly_white', title='Количество сетевых и несетевых кофеен по районам',
             labels={'value':'Количество объектов','variable':'Кофейни'})
fig.update_layout(title_x=0.5, margin=dict(l=1, r=1, t=30, b=1)) #меняем расположение шапки
#выводим график
fig.show()
#выводим таблицу с сортировкой
ch_area.sort_values(by='Доля несетевых', ascending=False)


values = ['высокая у несетевых','высокая у сетевых','низкая у несетевых','низкая у сетевых',
          'средняя у несетевых','средняя у сетевых']
plt.figure(figsize=(15, 7)) #устанавливаем размер
#создаём тепловую карту библиотекой seaborn
sns.heatmap(coffeehouse.pivot_table(index='area', columns=['competing','chain'], values='name', aggfunc='count'),
            xticklabels=values, 
            yticklabels=list(coffeehouse['area'].sort_values().unique()),
            annot=True, fmt='.0f', cmap='Spectral')
#присваиваем название графика и описание по осям
plt.title('Распределение кофеен по районам в зависимости \nот их уровня конкуренции и принадлежности к сети', fontsize=18)
plt.xlabel('Уровень конкуренции кофеен по отношению к сети', fontsize=14) 
plt.ylabel('Административные округа Москвы', fontsize=15)
plt.tight_layout()
plt.show()


#создаём сводную таблицу по округам
ch_working_hours = (coffeehouse.query('hours != "unknown"') #отсеиваем данные с пропусками
                    .pivot_table(index='area', columns='is_24/7', values='name', aggfunc='count'))
ch_working_hours.columns = ['Не работают 24/7','Работают 24/7'] #переименовываем столбцы
ch_working_hours.index.names = ['Административные округа Москвы'] #переименовываем индекс
#считаем долю круглосуточных кофеен
ch_working_hours['Доля 24/7'] = round((ch_working_hours['Работают 24/7'] * 100 / 
                                      (ch_working_hours['Работают 24/7'] + ch_working_hours['Не работают 24/7'])),1)
#создаём линейный график 
fig = px.line(x=ch_working_hours.reset_index()['Работают 24/7'], 
              y=ch_working_hours.reset_index()['Административные округа Москвы'], 
              color=px.Constant('Работают 24/7'), markers=True, color_discrete_sequence=['#EF553B'], template='plotly_white',  
              title='Соотношение круглосуточных и некруглосуточных кофеен по районам',
              labels=dict(y='Административные округа Москвы', x='Количество объектов', color='График работы'), 
              width=980, height=450)
#добавляем к нему столбчатый график с общим количеством заведений по районам
fig.add_bar(y=ch_working_hours.reset_index()['Административные округа Москвы'], 
            x=ch_working_hours.reset_index()['Не работают 24/7'], 
            orientation ='h', name='Некруглосуточные', width=0.8, marker_color='#636EFA')
#изменяем положение легенды
fig.update_layout(legend=dict(yanchor="top", y=1, xanchor="left", x=0.78), title_x=0.5, margin=dict(l=1, r=1, t=30, b=1))
#выводим график
fig.show()
#выводим сводную таблицу с сортировкой по доле
ch_working_hours.sort_values(by='Доля 24/7', ascending=False)


#строим диаграмму размаха библиотекой plotly
fig = px.box(coffeehouse, y='area', x='rating', color='chain', 
             template='plotly_white', width=980, height=550,
             title='Рейтинги сетевых и несетевых кофеен по районам',
             labels={'area':'Административные округа Москвы',
                     'rating':'Рейтинги кофеен','chain':''})
#изменяем положение легенды
fig.update_layout(legend=dict(orientation='h', xanchor='center', x=0.5, y=1.04), 
                  title_x=0.5, margin=dict(l=1, r=1, t=50, b=1))
#выводим график
fig.show()


#задаём наименования столбцам
values = ['высокая у НЕСЕТЕВЫХ','высокая у НЕСЕТЕВЫХ 24/7','высокая у сетевых','высокая у сетевых 24/7',
          'низкая у НЕСЕТЕВЫХ','низкая у НЕСЕТЕВЫХ 24/7','низкая у сетевых','низкая у сетевых 24/7',
          'средняя у НЕСЕТЕВЫХ','средняя у НЕСЕТЕВЫХ 24/7','средняя у сетевых','средняя у сетевых 24/7']

#создаём основную тепловую карту библиотекой seaborn
plt.figure(figsize=(14, 7)) #устанавливаем размер графика
sns.heatmap((coffeehouse.pivot_table(index=['competing','chain','is_24/7'], columns='area', values='rating', aggfunc='mean')), 
            annot=True, fmt='.2f', cmap='Spectral',
            yticklabels=values, xticklabels=list(coffeehouse['area'].sort_values().unique()))
#присваиваем название графика и описание по осям
plt.title('Медианные рейтинги кофеен по районам в зависимости от их уровня конкуренции, \
          \nпринадлежности к сети и графику работы', fontsize=18)
plt.ylabel('Уровень конкуренции кофеен \nпо отношению к сети и графику работы', fontsize=14) 
plt.xlabel('Административные округа Москвы', fontsize=14)
plt.xticks(rotation=10)
plt.tight_layout()
plt.show() 

#создаём вспомогательную тепловую карту
plt.figure(figsize=(14, 7)) #устанавливаем размер графика
sns.heatmap((coffeehouse.pivot_table(index=['competing','chain','is_24/7'], columns='area', values='rating', aggfunc='count')), 
            annot=True, fmt='.0f', cmap='Spectral', 
            yticklabels=values, xticklabels=list(coffeehouse['area'].sort_values().unique()))
#присваиваем название графика и описание по осям
plt.title('Распределение кофеен в рассматриваемых выше группах', fontsize=18)
plt.ylabel('Количество заведений в каждой группе', fontsize=14) 
plt.xlabel('Административные округа Москвы', fontsize=14)
plt.xticks(rotation=10)
plt.tight_layout()
plt.show()


#задаём наименования столбцам
values = ['высокая конк-я','высокая конк-я, 24/7','низкая конк-я','низкая конк-я, 24/7',
          'средняя конк-я','средняя конк-я, 24/7']

#создаём основную тепловую карту
plt.figure(figsize=(14, 7)) #устанавливаем размер графика
sns.heatmap((coffeehouse.query('chain == "Несетевое заведение"')
             .pivot_table(index='area', columns=['competing','is_24/7'], values='rating', aggfunc='mean')), 
            annot=True, fmt='.2f', cmap='Spectral',
            xticklabels=values, yticklabels=list(coffeehouse['area'].sort_values().unique()))
#присваиваем название графика и описание по осям
plt.title('Рейтинги несетевых кофеен в завистимости от уровня конкуренции \nс разным графиком работы по районам', fontsize=18)
plt.xlabel('Уровень конкуренции кофеен с разным графиком работы', fontsize=14) 
plt.ylabel('Административные округа Москвы', fontsize=14)
plt.tight_layout()
plt.show()


#выведем статистику по столбцу
coffeehouse['middle_coffee_cup'].describe()

count     513.000000
mean      174.879142
std        90.108404
min        60.000000
25%       124.000000
50%       169.000000
75%       225.000000
max      1568.000000
Name: middle_coffee_cup, dtype: float64


coffeehouse.query('middle_coffee_cup != 1568')['middle_coffee_cup'].describe()

count    512.000000
mean     172.158203
std       65.802590
min       60.000000
25%      124.000000
50%      168.000000
75%      225.000000
max      375.000000
Name: middle_coffee_cup, dtype: float64


#строим гистограмму
fig = px.histogram(coffeehouse.query('middle_coffee_cup != 1568'), x='middle_coffee_cup',color='chain', 
                   title='Распределение средней стоимости чашки капучино в сетевых и несетевых кофейнях', 
                   nbins=50, width=980, height=400, template='plotly_white', barmode='overlay', 
                   labels={'chain':''}) 
#описание по осям
fig.update_xaxes(title_text='Средняя цена одной чашки капучино')
fig.update_yaxes(title_text='Количество объектов')
fig.update_layout(title_x=0.5, margin=dict(l=1, r=1, t=30, b=1)) #меняем расположение шапки
#выводим график
fig.show()


#создаём тепловую карту
fig = px.density_heatmap((coffeehouse
                          .query('230 > middle_coffee_cup >= 100 and chain == "Несетевое заведение" and rating >= 4.4')), 
                         x='middle_coffee_cup', y='rating', text_auto=True,
                         title='Распределение высоких рейтингов у кофеен в зависимости от стоимости чашки капучино',
                         color_continuous_scale='Portland', nbinsx=20, height=380, width=980)
#описание по осям
fig.update_xaxes(title_text='Средняя стоимость чашки капучино')
fig.update_yaxes(title_text='Рейтинг заведений')
#настройка легенды
fig.update_layout(coloraxis_colorbar=dict(title='Кофеен', ticksuffix='',
                                          thicknessmode='pixels', thickness=20, lenmode='pixels', len=336,
                                          yanchor='top', y=1.05, ticks='outside', dtick=2), 
                  title_x=0.5, margin=dict(l=1, r=1, t=30, b=1))
#выводим теплокарту
fig.show()


#создаём тепловую карту
fig = px.density_heatmap((coffeehouse
                          .query('230 > middle_coffee_cup >= 150 and chain == "Несетевое заведение" and rating >= 4.4')), 
                         x='middle_coffee_cup', y='area', z='rating', histfunc='avg', text_auto='.2f', 
                         title='Средние рейтинги кофеен по районам в  зависимости от стоимости чашки капучино',
                         color_continuous_scale='Portland', nbinsx=20, height=400, width=980)
#описание по осям
fig.update_xaxes(title_text='Средняя стоимость чашки капучино')
fig.update_yaxes(title_text='Административные округи Москвы') 
#настройка легенды
fig.update_layout(coloraxis_colorbar=dict(title='Рейтинг', ticksuffix='',
                                          thicknessmode='pixels', thickness=20, lenmode='pixels', len=370,
                                          yanchor='top', y=1.1, ticks='outside', dtick=0.1), 
                  title_x=0.5, margin=dict(l=1, r=1, t=30, b=1))
#выводим теплокарту
fig.show()

	count	mean	std	min	25%	50%	75%	max
lat	8406.0	55.750109	0.069658	55.573942	55.705155	55.753425	55.795041	55.928943
lng	8406.0	37.608570	0.098597	37.355651	37.538583	37.605246	37.664792	37.874466
rating	8406.0	4.229895	0.470348	1.000000	4.100000	4.300000	4.400000	5.000000
middle_avg_bill	3149.0	958.053668	1009.732845	0.000000	375.000000	750.000000	1250.000000	35000.000000
middle_coffee_cup	535.0	174.721495	88.951103	60.000000	124.500000	169.000000	225.000000	1568.000000
chain	8406.0	0.381275	0.485729	0.000000	0.000000	0.000000	1.000000	1.000000
seats	4795.0	108.421689	122.833396	0.000000	40.000000	75.000000	140.000000	1288.000000

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
38	Ижора	булочная	Москва, Ижорский проезд, 5А	Северный административный округ	NaN	55.888366	37.514856	4.4	NaN	NaN	NaN	NaN	Несетевое заведение	NaN
40	Кафе	кафе	Москва, Ижорская улица, 18, стр. 1	Северный административный округ	NaN	55.895115	37.524902	3.7	NaN	NaN	NaN	NaN	Несетевое заведение	NaN
44	Кафетерий	кафе	Москва, Ангарская улица, 24А	Северный административный округ	NaN	55.876289	37.519315	3.8	NaN	NaN	NaN	NaN	Сетевое заведение	8.0
56	Рыба из тандыра	быстрое питание	Москва, Коровинское шоссе, 46, стр. 5	Северный административный округ	NaN	55.888010	37.515960	1.5	NaN	NaN	NaN	NaN	Несетевое заведение	NaN
108	Кафе	бар,паб	Москва, МКАД, 82-й километр, вл18	Северо-Восточный административный округ	NaN	55.908930	37.558777	4.2	NaN	NaN	NaN	NaN	Несетевое заведение	NaN

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	Несетевое заведение	NaN
3	Dormouse Coffee Shop	кофейня	Москва, улица Маршала Федоренко, 12	Северный административный округ	ежедневно, 09:00–22:00	55.881608	37.488860	5.0	NaN	Цена чашки капучино:155–185 ₽	NaN	170.0	Несетевое заведение	NaN
11	Шашлык Шефф	кафе	Москва, улица Маршала Федоренко, 10с1	Северный административный округ	ежедневно, 10:00–21:00	55.881770	37.492362	4.9	NaN	NaN	NaN	NaN	Несетевое заведение	NaN
13	Буханка	булочная	Москва, Базовская улица, 15, корп. 1	Северный административный округ	ежедневно, 08:00–22:00	55.877007	37.504980	4.8	NaN	NaN	NaN	NaN	Сетевое заведение	180.0
19	Пекарня	булочная	Москва, Ижорский проезд, 5	Северный административный округ	ежедневно, круглосуточно	55.887969	37.515688	4.4	NaN	NaN	NaN	NaN	Сетевое заведение	NaN

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
0	WoWфли	кафе	Москва, улица Дыбенко, 7/1	Северный административный округ	ежедневно, 10:00–22:00	55.878494	37.478860	5.0	NaN	NaN	NaN	NaN	Несетевое заведение	NaN
5	Sergio Pizza	пиццерия	Москва, Ижорская улица, вл8Б	Северный административный округ	ежедневно, 10:00–23:00	55.888010	37.509573	4.6	средние	NaN	NaN	NaN	Несетевое заведение	NaN
11	Шашлык Шефф	кафе	Москва, улица Маршала Федоренко, 10с1	Северный административный округ	ежедневно, 10:00–21:00	55.881770	37.492362	4.9	NaN	NaN	NaN	NaN	Несетевое заведение	NaN
13	Буханка	булочная	Москва, Базовская улица, 15, корп. 1	Северный административный округ	ежедневно, 08:00–22:00	55.877007	37.504980	4.8	NaN	NaN	NaN	NaN	Сетевое заведение	180.0
19	Пекарня	булочная	Москва, Ижорский проезд, 5	Северный административный округ	ежедневно, круглосуточно	55.887969	37.515688	4.4	NaN	NaN	NaN	NaN	Сетевое заведение	NaN

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
21	7/12	кафе	Москва, Прибрежный проезд, 7	Северный административный округ	ежедневно, 10:00–22:00	55.876805	37.464934	4.5	NaN	NaN	NaN	NaN	Несетевое заведение	NaN
2163	47	кофейня	Москва, Центральный административный округ, Кр...	Центральный административный округ	пн-пт 08:00–20:00; сб,вс 10:00–19:00	55.778830	37.645842	4.9	NaN	NaN	NaN	NaN	Несетевое заведение	NaN
2460	495	ресторан	Москва, Олимпийский проспект, 18/1	Центральный административный округ	ежедневно, 08:00–23:00	55.785079	37.624066	4.8	NaN	NaN	NaN	NaN	Несетевое заведение	481.0
2946	13	кафе	Москва, Краснобогатырская улица, 90, стр. 2	Восточный административный округ	unknown	55.800889	37.710556	3.0	NaN	NaN	NaN	NaN	Несетевое заведение	52.0
3881	2046	кофейня	Москва, 1-й Неопалимовский переулок, 1/9	Центральный административный округ	пн-пт 08:00–21:30; сб,вс 10:00–21:30	55.740755	37.583738	4.8	NaN	NaN	NaN	NaN	Несетевое заведение	NaN
5875	55.709201, 37.392257	кафе	Москва, Беловежская улица, 22	Западный административный округ	чт круглосуточно, перерыв 10:00–20:00; сб круг...	55.709201	37.392257	4.2	NaN	NaN	NaN	NaN	Несетевое заведение	NaN
8236	1у	кафе	Москва, Нагатинская набережная, 40/1к1	Южный административный округ	unknown	55.685528	37.673546	3.4	NaN	NaN	NaN	NaN	Несетевое заведение	NaN

	name	category	address	district	hours	price	avg_bill
count	8406	8406	8406	8406	7870	3315	3816
unique	5614	8	5753	9	1307	4	897
top	Кафе	кафе	Москва, проспект Вернадского, 86В	Центральный административный округ	ежедневно, 10:00–22:00	средние	Средний счёт:1000–1500 ₽
freq	189	2378	28	2242	759	2117	241

	category	seats
0	кафе	1204
1	ресторан	793
2	кофейня	686
3	бар,паб	301
4	быстрое питание	272
5	пиццерия	216
6	столовая	156
7	булочная	119

	name	category	address	district	hours	lat	lng	rating	price	avg_bill	middle_avg_bill	middle_coffee_cup	chain	seats
1430	More Poke	ресторан	Москва, Волоколамское шоссе, 11, стр. 2	Северный административный округ	ежедневно, 09:00–21:00	55.806307	37.497566	4.2	NaN	NaN	NaN	NaN	Несетевое заведение	188.0
1511	More Poke	ресторан	Москва, Волоколамское шоссе, 11, стр. 2	Северный административный округ	пн-чт 09:00–18:00; пт,сб 09:00–21:00; вс 09:00...	55.806307	37.497566	4.2	NaN	NaN	NaN	NaN	Сетевое заведение	188.0
2211	Рaкoвaрня Клeшни И Хвocты	ресторан	Москва, проспект Мира, 118	Северо-Восточный административный округ	ежедневно, 12:00–00:00	55.810553	37.638161	4.4	NaN	NaN	NaN	NaN	Несетевое заведение	150.0
2420	Рaкoвaрня Клeшни И Хвocты	бар,паб	Москва, проспект Мира, 118	Северо-Восточный административный округ	пн-чт 12:00–00:00; пт,сб 12:00–01:00; вс 12:00...	55.810677	37.638379	4.4	NaN	NaN	NaN	NaN	Сетевое заведение	150.0
3091	Хлeб Дa Выпeчкa	булочная	Москва, Ярцевская улица, 19	Западный административный округ	ежедневно, 09:00–22:00	55.738886	37.411648	4.1	NaN	NaN	NaN	NaN	Сетевое заведение	276.0
3109	Хлeб Дa Выпeчкa	кафе	Москва, Ярцевская улица, 19	Западный административный округ	unknown	55.738449	37.410937	4.1	NaN	NaN	NaN	NaN	Несетевое заведение	276.0
4613	Cafe13	кафе	Москва, Мясницкая улица, 13, стр. 11	Центральный административный округ	пн-чт 10:00–22:00; пт 10:00–19:00	55.762779	37.633079	4.3	NaN	NaN	NaN	NaN	Несетевое заведение	200.0
4780	Cafe13	ресторан	Москва, Мясницкая улица, 13, стр. 11	Центральный административный округ	пн-чт 10:00–22:00; пт 10:00–18:00	55.762748	37.633176	4.3	NaN	NaN	NaN	NaN	Несетевое заведение	200.0

	category	name
0	кафе	2307
1	ресторан	2017
2	кофейня	1372
3	бар,паб	751
4	пиццерия	621
5	быстрое питание	593
6	столовая	307
7	булочная	249

category	бар,паб	булочная	быстрое питание	кафе	кофейня	пиццерия	ресторан	столовая	Всего
Административные округи Москвы
Центральный	363	49	86	458	423	111	666	65	2221
Северо-Восточный	62	28	80	267	152	68	180	40	877
Южный	68	24	82	258	128	71	200	43	874
Северный	66	38	58	226	180	74	181	37	860
Западный	46	35	61	225	142	68	212	22	811
Восточный	48	24	68	261	103	72	159	40	775
Юго-Западный	37	26	61	234	96	64	167	17	702
Юго-Восточный	38	13	67	268	88	53	144	25	696
Северо-Западный	23	12	30	110	60	40	108	18	401

	Объектов	Медиана	В среднем
Категории
ресторан	1255	85.0	115.0
кафе	1203	60.0	89.0
кофейня	739	78.0	100.0
бар,паб	458	80.0	109.0
пиццерия	421	52.0	86.0
быстрое питание	345	64.0	93.0
столовая	161	75.0	88.0
булочная	146	50.0	83.0

	Не работают 24/7	Работают 24/7	Пропущено	Доля 24/7	Всего объектов
Категории
быстрое питание	443	150	33	26.8	593
кафе	2041	266	359	13.7	2307
булочная	225	24	7	9.9	249
бар,паб	699	52	15	7.1	751
ресторан	1884	133	72	6.8	2017
пиццерия	590	31	5	5.0	621
кофейня	1314	58	14	4.3	1372
столовая	295	12	9	4.0	307

chain	Несетевое заведение	Сетевое заведение	Доля сетей
Категории
булочная	96	153	61.4
пиццерия	296	325	52.3
кофейня	675	697	50.8
быстрое питание	365	228	38.4
ресторан	1300	717	35.5
кафе	1544	763	33.1
столовая	222	85	27.7
бар,паб	583	168	22.4

		Кол-во объектов	Указано посад.мест	Медиан.посад.мест	Ср.рейтинг
name	category
Cofefest	кафе	1	0	NaN	4.2
Cofefest	кофейня	32	10	60.0	4.0
Cofix	кофейня	64	36	87.5	4.1
One Price Coffee	кофейня	71	52	97.0	4.1
Prime	кафе	1	1	60.0	4.2
Prime	ресторан	49	32	97.0	4.1
Бухaнкa	булочная	25	6	50.0	4.4
	кафе	1	0	NaN	4.3
	кофейня	6	3	40.0	4.3
Дoдo Пиццa	пиццерия	73	61	52.0	4.3
Дoминo'C Пиццa	пиццерия	77	62	40.0	4.2
Кoфeпoрт	кофейня	42	23	85.0	4.1
Кулинaрнaя Лaвкa Брaтьeв Кaрaвaeвых	кафе	38	26	70.0	4.4
Му Му	бар,паб	1	1	195.0	4.3
	быстрое питание	2	1	300.0	4.2
	кафе	12	9	150.0	4.2
	кофейня	2	1	120.0	4.2
	пиццерия	1	1	300.0	4.3
	ресторан	8	6	135.0	4.3
	столовая	1	1	60.0	4.0
Тeрeмoк	быстрое питание	2	1	200.0	4.4
Тeрeмoк	ресторан	36	26	87.5	4.1
Хинкaльнaя	бар,паб	3	3	40.0	4.3
	быстрое питание	6	4	57.0	4.4
	кафе	19	12	65.0	4.4
	ресторан	15	12	60.0	4.3
	столовая	1	1	10.0	4.2
Чaйхaнa	быстрое питание	2	0	NaN	4.3
	кафе	26	11	50.0	3.9
	ресторан	9	8	58.0	3.8
Шoкoлaдницa	кафе	1	1	230.0	4.1
Шoкoлaдницa	кофейня	117	80	96.0	4.2
Яндeкc Лaвкa	ресторан	68	34	45.5	3.9

category	бар,паб	булочная	быстрое питание	кафе	кофейня	пиццерия	ресторан	столовая	Всего
Топ-15 улиц
проспект Мира	12.0	4.0	21.0	53.0	36.0	11.0	44.0	2.0	183
Профсоюзная улица	6.0	4.0	15.0	35.0	18.0	15.0	26.0	3.0	122
Ленинский проспект	10.0	3.0	2.0	26.0	23.0	5.0	33.0	5.0	107
проспект Вернадского	5.0	1.0	12.0	23.0	14.0	11.0	29.0	2.0	97
Дмитровское шоссе	6.0	2.0	10.0	23.0	11.0	8.0	24.0	4.0	88
Каширское шоссе	2.0	NaN	10.0	20.0	16.0	5.0	19.0	5.0	77
Варшавское шоссе	6.0	NaN	7.0	18.0	14.0	4.0	20.0	7.0	76
Ленинградский проспект	13.0	3.0	2.0	8.0	18.0	6.0	20.0	2.0	72
Ленинградское шоссе	5.0	2.0	5.0	13.0	13.0	3.0	26.0	3.0	70
МКАД	1.0	NaN	9.0	45.0	4.0	NaN	5.0	1.0	65
Люблинская улица	5.0	NaN	5.0	26.0	11.0	1.0	10.0	2.0	60
улица Вавилова	2.0	2.0	11.0	15.0	10.0	3.0	12.0	NaN	55
Кутузовский проспект	2.0	1.0	2.0	14.0	13.0	3.0	16.0	2.0	53
Пятницкая улица	9.0	3.0	2.0	7.0	6.0	3.0	18.0	NaN	48
улица Миклухо-Маклая	3.0	NaN	4.0	20.0	4.0	2.0	14.0	NaN	47

	Объектов на топ-15 улиц	Всего	Доля
Административные округа Москвы
Юго-Западный	291	702	41.5
Северный	209	860	24.3
Южный	197	874	22.5
Западный	164	811	20.2
Северо-Восточный	161	877	18.4
Центральный	108	2221	4.9
Юго-Восточный	87	696	12.5
Восточный	2	775	0.3
Северо-Западный	1	401	0.2

	В среднем	Медиана	Объекты с ценой	Всего объектов	Доля
Административные округа Москвы
Западный	1039.4	1000.0	299	811	36.9
Центральный	1192.2	1000.0	1052	2221	47.4
Северо-Западный	825.4	700.0	156	401	38.9
Северный	925.6	650.0	311	860	36.2
Юго-Западный	790.6	600.0	234	702	33.3
Восточный	817.7	550.0	256	775	33.0
Северо-Восточный	716.6	500.0	301	877	34.3
Южный	836.7	500.0	310	874	35.5
Юго-Восточный	655.8	450.0	193	696	27.7

	Несетевые	Сетевые	Всего	Доля несетевых
Административные округа Москвы
Юго-Восточный	60	28	88	68.2
Восточный	54	49	103	52.4
Северо-Восточный	77	75	152	50.7
Северный	90	90	180	50.0
Южный	63	65	128	49.2
Центральный	205	218	423	48.5
Юго-Западный	46	50	96	47.9
Северо-Западный	27	33	60	45.0
Западный	53	89	142	37.3

Рынок заведений общественного питания Москвы¶

Загрузка таблицы и изучение общей информации о данных¶

Предобработка данных¶

Изучение имеющихся данных¶

Замена данных в столбце chain¶

Удаление пропусков¶

Изучение пропусков в hours¶

Изучение пропусков в price¶

Изучение пропусков в avg_bill¶

Изучение пропусков в seats¶

Обработка дубликатов и аномальных значений¶

Изучим данные в name¶

Изучим данные в address¶

Изучим данные в hours¶

Изучим данные в price¶

Изучим данные в avg_bill¶

Изучим данные в district¶

Изучим данные в seats¶

Добавление новых столбцов¶

Создаём новый столбец street¶

Создаём новый столбец is_24/7¶

Исследовательский анализ данных¶

Общий анализ заведений общественного питания¶

Отобразим все заведения датасета на карте с помощью кластеров¶

Какие категории заведений представлены в данных?¶

Какие административные районы Москвы присутствуют в датасете?¶

Какое количество посадочных мест в разных категориях заведений общественного питания?¶

Какие рейтинги в разных категориях заведений?¶

Фоновая картограмма со средним рейтингом заведений каждого района¶

Какая есть зависимость времени работы заведений от расположения и их категорий?¶

Анализ сетевых заведений общественного питания¶

Какое соотношение сетевых и несетевых заведений в датасете?¶

Какие категории заведений чаще являются сетевыми?¶

Какое количество посадочных мест в сетевых заведениях наиболее распространено?¶

Какие сети заведений общественного питания самые популярные в Москве?¶

Анализ расположения заведений общественного питания¶

На каких улицах наибольшее количество заведений общественного питания?¶

Найдём улицы, на которых находится только один объект общепита¶

Как удалённость от центра влияет на цены в заведениях?¶

Общий вывод¶

Детализируем исследование: открытие кофейни¶

В каких районах больше всего кофеен, каковы особенности их расположения?¶

Есть ли круглосуточные кофейни?¶

Какие у кофеен рейтинги? Как они распределяются по районам?¶

На какую стоимость чашки капучино стоит ориентироваться при открытии и почему?¶

Презентация¶

Замена данных в столбце `chain`¶

Изучение пропусков в `hours`¶

Изучение пропусков в `price`¶

Изучение пропусков в `avg_bill`¶

Изучение пропусков в `seats`¶

Изучим данные в `name`¶

Изучим данные в `address`¶

Изучим данные в `hours`¶

Изучим данные в `price`¶

Изучим данные в `avg_bill`¶

Изучим данные в `district`¶

Изучим данные в `seats`¶

Создаём новый столбец `street`¶

Создаём новый столбец `is_24/7`¶